一、项目背景与数据集说明

聚类是无监督学习的核心任务，通过 “相似性分组” 发现数据内在结构。本次以NBA 球员常规赛统计数据为样本，挖掘不同类型球员的能力差异，解决 “如何用数据定义‘得分手’‘全能球星’‘角色球员’” 的实际问题。
数据集获取
本次使用的NBA_Player_Statistics.csv包含 679 条球员数据，核心特征（得分、助攻、篮板等）覆盖球员攻防能力：

模拟数据：可运行下方代码生成相似结构数据（用于复现流程）：

import pandas as pd
import numpy as np
# 生成模拟NBA球员数据
np.random.seed(42)
data = {
    "Player": [f"Player_{i}" for i in range(679)],
    "PTS": np.random.uniform(5, 30, 679),  # 得分
    "AST": np.random.uniform(1, 10, 679),  # 助攻
    "TRB": np.random.uniform(2, 15, 679),  # 篮板
    "STL": np.random.uniform(0.1, 2, 679),  # 抢断
    "BLK": np.random.uniform(0.1, 3, 679),  # 盖帽
    "FG%": np.random.uniform(0.3, 0.6, 679)  # 投篮命中率
}
df = pd.DataFrame(data)
df.to_csv("NBA_Player_Statistics.csv", index=False)

版本兼容说明

本文代码基于以下环境编写（避免版本冲突）：
Python 3.8.10 | scikit-learn 1.0.2 | matplotlib 3.5.1 | pandas 1.4.2 | numpy 1.22.3

二、数据预处理：清洗 + 特征选择 + 标准化

聚类对数据质量、特征尺度敏感，预处理是结果可靠的前提。

2.1 数据加载与缺失值处理

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams["font.sans-serif"] = ["SimHei"]  # 解决matplotlib中文显示问题
plt.rcParams["axes.unicode_minus"] = False

# 1. 加载数据
df = pd.read_csv("NBA_Player_Statistics.csv")

# 2. 缺失值处理：数值特征用0填充（实际业务中可根据特征含义选均值/中位数）
df_clean = df.copy()
for col in ["FG%", "3P%", "2P%", "FT%"]:
    if col in df_clean.columns:
        df_clean[col] = df_clean[col].fillna(0)

2.2 特征选择

选取体现球员核心能力的特征（排除非数值列如 Player、Pos）：

# 选择特征：得分(PTS)、助攻(AST)、篮板(TRB)、抢断(STL)、盖帽(BLK)、投篮命中率(FG%)
x = df_clean[["PTS", "AST", "TRB", "STL", "BLK", "FG%"]]

2.3 特征标准化

K-means/BIRCH 对特征尺度敏感，用StandardScaler将特征缩放到 “均值 0、方差 1”：

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
x_scaled = scaler.fit_transform(x)  # 标准化后的特征矩阵

三、聚类算法实战

我们用 3 种主流聚类算法建模，对比效果差异～

3.1 K-means 聚类（硬聚类）

K-means 是最经典的聚类算法，核心是 “最小化类内距离”，需先确定聚类数 k。

步骤 1：用 “肘方法” 选最佳 k

from sklearn.cluster import KMeans
# 计算不同k的惯性（类内距离平方和）
inertia = []
k_range = range(1, 11)
for k in k_range:
    kmeans = KMeans(n_clusters=k, random_state=42)  # random_state保证结果可复现
    kmeans.fit(x_scaled)
    inertia.append(kmeans.inertia_)

# 绘制肘方法图
plt.figure(figsize=(10, 6))
plt.plot(k_range, inertia, marker="o", color="#1f77b4")
plt.xlabel("聚类数 k", fontsize=12)
plt.ylabel("惯性（Inertia）", fontsize=12)
plt.title("K-means 肘方法图（选k的拐点）", fontsize=14, fontweight="bold")
plt.savefig("kmeans_elbow.png", dpi=300)  # 保存图片，用于CSDN上传
plt.show()

输出结果:

结果解读：k=3 时惯性下降速率明显放缓（“肘点”），因此选择n_clusters=3。

步骤 2：训练 K-means 模型

# 训练K-means（k=3）
kmeans_model = KMeans(n_clusters=3, random_state=42)
kmeans_labels = kmeans_model.fit_predict(x_scaled)

# 给原数据添加聚类标签
df_clean["kmeans_cluster"] = kmeans_labels

步骤 3：聚类结果分析（特征均值）

# 按聚类分组，计算特征均值
kmeans_analysis = df_clean.groupby("kmeans_cluster")[["PTS", "AST", "TRB", "STL", "BLK", "FG%"]].mean()
print("K-means聚类特征均值：\n", kmeans_analysis.round(2))

输出结果（解读）：
聚类 PTS（得分） AST（助攻） TRB（篮板） STL（抢断） BLK（盖帽） FG%（命中率）

步骤 4：可视化聚类结果

plt.figure(figsize=(10, 6))
# 按聚类颜色区分，以“得分(PTS)-助攻(AST)”为维度
plt.scatter(
    x_scaled[:, 0], x_scaled[:, 1], 
    c=kmeans_labels, cmap="viridis", alpha=0.7, s=50
)
plt.xlabel("得分（PTS，标准化后）", fontsize=12)
plt.ylabel("助攻（AST，标准化后）", fontsize=12)
plt.title("K-means聚类结果（得分-助攻维度）", fontsize=14, fontweight="bold")
plt.savefig("kmeans_scatter.png", dpi=300)
plt.show()

3.2 BIRCH 聚类（层次聚类）

BIRCH 适合大数据集（时间复杂度 O (n)），通过 “聚类特征树” 快速分组，需指定最终聚类数。

步骤 1：训练 BIRCH 模型（结合 Pipeline）

from sklearn.pipeline import Pipeline
from sklearn.cluster import Birch
# 构建Pipeline：标准化+BIRCH（避免重复代码）
birch_pipe = Pipeline([
    ("scaler", StandardScaler()),
    ("birch", Birch(n_clusters=3, threshold=0.5))  # threshold控制聚类粒度
])
birch_labels = birch_pipe.fit_predict(x)  # 直接用原始数据，Pipeline自动标准化
df_clean["birch_cluster"] = birch_labels

步骤 2：可视化结果

plt.figure(figsize=(10, 6))
plt.scatter(x["PTS"], x["TRB"], c=birch_labels, cmap="rainbow", alpha=0.7)
plt.xlabel("得分（PTS）", fontsize=12)
plt.ylabel("篮板（TRB）", fontsize=12)
plt.title("BIRCH聚类结果（得分-篮板维度）", fontsize=14, fontweight="bold")
plt.savefig("birch_scatter.png", dpi=300)
plt.show()

3.3 DBSCAN 聚类（密度聚类）

DBSCAN 无需指定聚类数，通过eps（邻域半径）和min_samples（核心点最小样本数）识别 “密度相连的簇”。

步骤 1：用 K 近邻法选eps

from sklearn.neighbors import NearestNeighbors
# 计算每个样本的第10近邻距离
nn = NearestNeighbors(n_neighbors=10)
distances, _ = nn.fit(x_scaled).kneighbors(x_scaled)
k_dist = sorted(distances[:, 9])  # 取第10近邻距离，排序

# 绘制K近邻距离图
plt.figure(figsize=(10, 6))
plt.plot(k_dist, color="#ff7f0e")
plt.xlabel("样本索引", fontsize=12)
plt.ylabel("第10近邻距离", fontsize=12)
plt.title("K近邻距离图（选eps的拐点）", fontsize=14, fontweight="bold")
plt.savefig("dbscan_knn.png", dpi=300)
plt.show()

结果解读：距离曲线在eps=6处出现 “拐点”，因此选择eps=6。

步骤 2：训练 DBSCAN 模型

from sklearn.cluster import DBSCAN
dbscan_model = DBSCAN(eps=6, min_samples=10)  # min_samples=10为核心点最小样本数
dbscan_labels = dbscan_model.fit_predict(x_scaled)
df_clean["dbscan_cluster"] = dbscan_labels

注意：DBSCAN 中label=-1代表 “噪声点”（孤立样本）。

步骤 3：可视化结果

plt.figure(figsize=(10, 6))
plt.scatter(
    x_scaled[:, 0], x_scaled[:, 1], 
    c=dbscan_labels, cmap="viridis", alpha=0.7
)
plt.xlabel("得分（PTS，标准化后）", fontsize=12)
plt.ylabel("助攻（AST，标准化后）", fontsize=12)
plt.title("DBSCAN聚类结果（含噪声点）", fontsize=14, fontweight="bold")
plt.savefig("dbscan_scatter.png", dpi=300)
plt.show()

四、聚类效果评估与对比

用CH 分数（类间距离 / 类内距离，越大越好）和轮廓系数（样本与同类的相似度，越接近 1 越好）评估：

from sklearn.metrics import calinski_harabasz_score, silhouette_score

# 评估函数（DBSCAN需排除噪声点）
def evaluate_clustering(data, labels, name):
    # 排除DBSCAN的噪声点
    if name == "DBSCAN":
        mask = labels != -1
        data = data[mask]
        labels = labels[mask]
    if len(np.unique(labels)) < 2:
        return f"{name}：聚类数不足，无法评估"
    ch = calinski_harabasz_score(data, labels).round(2)
    sil = silhouette_score(data, labels).round(2)
    return f"{name} → CH分数：{ch}，轮廓系数：{sil}"

# 评估所有算法
print(evaluate_clustering(x_scaled, kmeans_labels, "K-means"))
print(evaluate_clustering(x_scaled, birch_labels, "BIRCH"))
print(evaluate_clustering(x_scaled, dbscan_labels, "DBSCAN"))

输出结果（解读）：
K-means → CH 分数：269.69，轮廓系数：0.25
BIRCH → CH 分数：762.12，轮廓系数：0.37
DBSCAN → CH 分数：185.31，轮廓系数：0.22

→ BIRCH 在本次数据集中效果最优（层次聚类更适配球员能力的 “梯度差异”）。

五、常见问题与避坑指南

1、问题 1：K-means 结果每次运行都变？
→ 解决方案：设置random_state=42（固定初始质心），多次运行取最优结果。

2、问题 2：DBSCAN 所有样本都是噪声点？
→ 解决方案：增大eps（扩大邻域）或减小min_samples（降低核心点门槛）。

3、问题 3：BIRCH 聚类效果差？
→ 解决方案：先标准化数据，调整threshold（减小→聚类更细，增大→聚类更粗）。

4、问题 4：matplotlib 中文显示乱码？
→ 解决方案：添加代码plt.rcParams[“font.sans-serif”] = [“SimHei”]。

六、总结与拓展

总结
本次通过 “数据预处理→算法建模→评估可视化” 的完整流程，将 NBA 球员分为角色轮换球员、得分攻坚手、全能核心球员3 类，验证了 3 种聚类算法的实战差异。

拓展方向

1、调参优化：用网格搜索调 DBSCAN 的eps和min_samples；

2、特征扩展：加入三分命中率（3P%）、罚球命中率（FT%），细化球员类型；

3、算法对比：添加层次聚类（AgglomerativeClustering）进一步分析。

博文标签
Python 机器学习 聚类分析 NBA 数据分析 K-means BIRCH DBSCAN 数据预处理 可视化